CN114397569A - 基于vmd参数优化、样本熵的断路器故障电弧检测方法 - Google Patents

Abstract

本发明公开基于VMD参数优化、样本熵的断路器故障电弧检测方法，包括如下步骤：S1、收集故障线路的电弧电流信号，利用该信号的实际电气特性确定小波基函数和相应的分解层次N，再根据已有的标准熵，计算出信号的最佳小波包分解树；S2、利用VMD方法对断路器故障电弧电流进行分解，并对所分解的电弧电流参数进行参数优化；S3、计算经步骤S2分解得到的各模态分量的样本熵SE，并将得到的故障电弧信号特征向量输入到SVM进行训练和测试，从而达到智能低压断路器故障电弧识别的目的。该方法通过参数优化后的VMD算法对信号特征进行提取，效果更好，将计算样本熵SE所得到的特征向量输入到SVM进行故障电弧识别有更高的准确度。

Description

基于VMD参数优化、样本熵的断路器故障电弧检测方法

技术领域

本发明涉及电气工程技术领域，具体涉及基于VMD参数优化、样本熵的断路器故障电弧检测方法。

背景技术

在低压配电网中，为了减轻对居民和工业用户等造成的危害，故障电弧检测断路器的发展和应用是非常重要的。当发生故障电弧时，通过检测供电网络中的电流信号能够分析得到很多信息，这对故障的判别有很大的作用。

现有低压断路器检测故障电弧的算法也都是对故障电流进行提取分析，选取何种信号处理方式对故障电弧加以分析是至关重要的。传统的应用于故障电弧信号分析和处理的方法有傅里叶变换、小波变换等各种时域分析方法。傅里叶变换是一种全局分析，对于信号的时频局域特点的描述有局限性；小波变换会受到领近谐波的影响，信号分析会失真。20世纪末，经验模态分解(Empirical Mode Decomposion，EMD)方法被提出用来分析非线性、具有自适应性的信号，它将故障电弧信号进行分解，得到多个IMF分量，但是它的缺陷是分解效果并不好，会产生模态混叠、端点效应的现象，会产生多余的分量。后来信号分解方法又发展成为了一种集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)方法，虽然它使得模态混叠、端点效应的现象没有那么明显，但是并没有改善产生多余的分量的缺点。近几年，有学者提出了一种新的非递归式自适应模态分解算法－变分模态分解(Variational Mode Decomposition，VMD)，它能够更好地适应信号中的噪声，快速分解出不同频率的特征信号，还有着高精度的优点，并且利用粒子群算法(PSO)进行参数优化减小了人为误差。

目前这种研究方法已有应用于低压断路器自身故障诊断的例子，但仅限于对断路器发生机械故障时的振动信号进行分解。为了改善对故障电弧信号进行在线监测的不足，我们提出一种基于VMD参数优化、样本熵的断路器故障电弧检测方法，将参数优化后的VMD分解方法引进到断路器的故障电弧电流信号的精准、快速解析，使得信号特征能够更充分地表示出来，最后计算其样本熵SE得到特征向量。

发明内容

本发明针对现有技术存在的不足，提供了基于VMD参数优化、样本熵的断路器故障电弧检测方法，具体技术方案如下：

基于VMD参数优化、样本熵的断路器故障电弧检测方法，包括如下步骤：

S1、收集故障线路的电弧电流信号，利用该信号的实际电气特性确定小波基函数和相应的分解层次N，再根据已有的标准熵，计算出信号的最佳小波包分解树；

S2、利用VMD方法对断路器故障电弧电流进行分解，并对所分解的电弧电流参数进行参数优化；

S3、计算经步骤S2分解得到的各模态分量的样本熵SE，并将得到的故障电弧信号特征向量输入到SVM进行训练和测试，从而达到智能低压断路器故障电弧识别的目的。

作为上述技术方案的改进，在步骤S1中还包括步骤S1.1，具体的对小波包分解高频系数进行阈值量化，并通过实验选择合适的阈值得到信号预处理的最佳结果，最后根据第N层的小波包对系数进行量化处理并进行小波重构。

作为上述技术方案的改进，在步骤S2中还包括步骤S2.1，具体的为首先建立变分模型，通过Hilbert变换对每一个故障电弧信号f(t)解析，得到K个有限带宽的解析信号I_i；对每个通过混合估计的中心频率ω_i，把信号的频谱转换到基带。

作为上述技术方案的改进，在步骤S2.1中还包括：

S2.1.1，具体的为计算解析信号各个模态分量的平方(L²)，得到带宽；

S2.1.2，具体的为将步骤S2.1.1产生的变分约束问题通过引入二次惩罚因子α和拉格朗日乘子λ，将其转换成非约束问题，并通过乘法算子交替方向算法(ADMM)不断更新模态分量I_i ⁿ⁺¹、中心频率ω_i ⁿ⁺¹、λⁿ⁺¹。

作为上述技术方案的改进，在步骤S2中还包括步骤S2.2，具体的为采用PSO算法进行参数寻优，其包括步骤S2.2.1，首先初始化PSO的种群规模、迭代次数以及待优化的K、α，确定适应度函数为拉格朗日矩阵L({I_i},{ω_i},λ)，并以[K，α]为粒子的位置，随机初始化粒子的位置和速度。

作为上述技术方案的改进，在步骤S2.2中还包括步骤S2.2.2，具体的为做不同位置下的VMD分解，并计算对应的适应度值，比较及更新个体适应度函数值和群体适应度函数值，直至找到最优解下的模态数K和惩罚因子α。

作为上述技术方案的改进，在步骤S3中，样本熵的计算公式为

其中N为时间序列中数据的个数；m代表向量的维数；r代表相似容限，常取0.1-0.25std；B^m+1(r)、B^m(r)分别代表m、m+1时数据的平均相似度。

作为上述技术方案的改进，在步骤S3中还包括S3.1，具体的为根据样本熵方法得到各模态分量的特征向量，将不同故障原因下求取的多组故障电弧样本数据作为训练组代入SVM中进行训练。

作为上述技术方案的改进，在步骤S3中还包括S3.2，具体的为将智能断路器检测到的故障电弧信号分解得到的特征向量与电网正常运行状态下的电流信号特征向量对比，得到故障电弧信号特征量的变化趋势。

作为上述技术方案的改进，在步骤S3中还包括S3.3，具体的为将上述步骤提取的电弧信号特征向量与正常状态下的相对比，判断其是否出现异常。

本发明与现有技术相比较，其技术效果如下：

1.本发明采用的基于VMD参数优化的信号分解法克服了EEMD过分解产生多余的分量的缺点，并通过PSO进行参数优化，得到预设的模态数K和惩罚因子α的最优值，分解的各个分量更加有效、精确；VMD的非递归的特征提取方式比EMD传统特征向量提取方式更加适合于电弧放电故障诊断；各个分量的样本熵SE具有较好的一致性，将其使用在低压断路器的故障电弧诊断中，可提高故障电弧诊断的效率。

2.本发明将参数优化的VMD方法引入到低压断路器的故障电弧信号处理工作中，改进了采用EMD分解法对低压配电系统进行故障电弧检测的现有技术，促进了智能低压断路器的技术发展。

3.本方法基于VMD参数优化、样本熵SE，提取到的故障电弧信号特征向量包含了线路电流的时频特性，并通过样本训练后的SVM进行数据诊断，得到了优良的诊断效果，可应用于线路不同故障电弧的识别诊断。

附图说明

图1为本发明基于VMD参数优化、样本熵的断路器故障电弧检测方法VMD算法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。

实施例1

本发明所述基于VMD参数优化、样本熵的断路器故障电弧检测方法，为了解决现有技术中存在的信号分解失真不够准确以及故障电弧信号诊断难、误诊断的问题，包括如下步骤：

S1、低压断路器故障电弧信号的小波包去噪；

具体的通过断路器内置的互感器以及数字示波器收集故障线路的电弧电流信号，然后利用该信号的实际电气特性确定小波基函数和相应的分解层次N，并对其进行N层小波包分解。再根据已有的标准熵，计算出信号的最佳小波包分解树。

S1.1：对小波包分解高频系数进行阈值量化，通过实验选择合适的阈值得到信号预处理的最佳结果。最后根据第N层的小波包对系数进行量化处理并进行小波重构。

在步骤S1.1中，阈值的推荐选择为：在对噪声信号小波分解后，会得到n个小波系数，其中噪声信号均方差为σ，则通用阈值为：

S2：利用VMD方法对断路器故障电弧电流进行分解，并通过PSO进行参数优化。

S2.1：VMD法主要是建立变分模型并计算来得到模态分量。建立变分模型是通过Hilbert变换对每一个故障电弧信号f(t)解析，得到K个有限带宽的解析信号I_i；对每个估计的中心计得中心计的中心频率ω_i，把信号的频谱转换到基带。

S2.1.1：计算解析信号各个模态分量的平方(L²)，得到带宽，产生的变分约束问题为：

在步骤S2.1.1中得到的{I_i}＝{I₁，I₂，…，I_K}为分解得到的K个模态分量；{ω_i}＝{ω₁，ω₂，…，ω_K}为各个分量的频率中心；δ(t)为脉冲函数。

S2.1.2：引入二次惩罚因子α和拉格朗日乘子λ，将其转换成非约束问题：

如图1所示，最后通过乘法算子交替方向算法(ADMM)不断更新模态分量I_i ⁿ⁺¹、中心频率ω_i ⁿ⁺¹、λⁿ⁺¹，得：

式中ω为频率，

分别为对应的傅里叶变换。

S2.2.：PSO是一种在空间中迭代搜寻全局最优解的智能算法。由于VMD中的模态数K和惩罚因子α需要通过手动测试选取，容易人为产生误差，所以通过PSO算法寻优。

S2.2.1：初始化PSO的种群规模、迭代次数以及待优化的K、α，确定适应度函数为拉格朗日矩阵L({I_i},{ω_i},λ)，并以[K，α]为粒子的位置，随机初始化粒子的位置和速度。

S2.2.2：做不同位置下的VMD分解，并计算对应的适应度值，比较及更新个体适应度函数值和群体适应度函数值，直至找到最优解下的模态数K和惩罚因子α。

S3：计算经VMD参数优化的方法分解得到的各模态分量的样本熵SE，并将得到的故障电弧信号特征向量输入到SVM进行训练和测试，从而达到智能低压断路器故障电弧识别的目的。

在步骤S3中，样本熵SE计算方法如下：

式中，N为时间序列中数据的个数；m代表向量的维数；r代表相似容限，常取0.1-0.25std；B^m+1(r)、B^m(r)分别代表m、m+1时数据的平均相似度。

S3.1：根据样本熵方法得到各模态分量的特征向量，将不同故障原因下求取的多组故障电弧样本数据作为训练组代入SVM中进行训练。

S3.2：将低压配电网中同一台智能断路器检测到的故障电弧信号分解得到的特征向量与电网正常运行状态下的电流信号特征向量对比，得到故障电弧信号特征量的变化趋势。

S3.3：对于智能低压断路器得到的测试数据，可通过上述步骤提取电弧信号特征向量与正常状态下的相对比，判断其是否出现异常。

需要说明的是，在本文中，如若存在第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于VMD参数优化、样本熵的断路器故障电弧检测方法，其特征在于，包括如下步骤：

S1、收集故障线路的电弧电流信号，利用该信号的实际电气特性确定小波基函数和相应的分解层次N，再根据已有的标准熵，计算出信号的最佳小波包分解树；

S2、利用VMD方法对断路器故障电弧电流进行分解，并对所分解的电弧电流参数进行参数优化；

S3、计算经步骤S2分解得到的各模态分量的样本熵SE，并将得到的故障电弧信号特征向量输入到SVM进行训练和测试，从而达到智能低压断路器故障电弧识别的目的。

2.根据权利要求1所述的基于VMD参数优化、样本熵的断路器故障电弧检测方法，其特征在于：在步骤S1中还包括步骤S1.1，具体的对小波包分解高频系数进行阈值量化，并通过实验选择合适的阈值得到信号预处理的最佳结果，最后根据第N层的小波包对系数进行量化处理并进行小波重构。

3.根据权利要求1所述的基于VMD参数优化、样本熵的断路器故障电弧检测方法，其特征在于：在步骤S2中还包括步骤S2.1，具体的为首先建立变分模型，通过Hilbert变换对每一个故障电弧信号f(t)解析，得到估计的中心宽的解析信号I_i；对每个通过混合解析估计的中心频率ω_i，把信号的频谱转换到基带。

4.根据权利要求3所述的基于VMD参数优化、样本熵的断路器故障电弧检测方法，其特征在于：在步骤S2.1中还包括：

S2.1.1，具体的为计算解析信号各个模态分量的平方(L²)，得到带宽；

S2.1.2，具体的为将步骤S2.1.1产生的变分约束问题通过引入二次惩罚因子α和拉格朗日乘子λ，将其转换成非约束问题，并通过乘法算子交替方向算法(ADMM)不断更新模态分量I_i ⁿ⁺¹、中心频率ω_i ⁿ⁺¹、λⁿ⁺¹。

5.根据权利要求1所述的基于VMD参数优化、样本熵的断路器故障电弧检测方法，其特征在于：在步骤S2中还包括步骤S2.2，具体的为采用PSO算法进行参数寻优，其包括步骤S2.2.1，首先初始化PSO的种群规模、迭代次数以及待优化的K、α，确定适应度函数为拉格朗日矩阵L({I_i},{ω_i},λ)，并以[K，α]为粒子的位置，随机初始化粒子的位置和速度。

6.根据权利要求1所述的基于VMD参数优化、样本熵的断路器故障电弧检测方法，其特征在于：在步骤S2.2中还包括步骤S2.2.2，具体的为做不同位置下的VMD分解，并计算对应的适应度值，比较及更新个体适应度函数值和群体适应度函数值，直至找到最优解下的模态数K和惩罚因子α。

7.根据权利要求6所述的基于VMD参数优化、样本熵的断路器故障电弧检测方法，其特征在于：在步骤S3中，样本熵的计算公式为

其中N为时间序列中数据的个数；m代表向量的维数；r代表相似容限，常取0.1-0.25std；B^m+1(r)、B^m(r)分别代表m、m+1时数据的平均相似度。

8.根据权利要求1所述的基于VMD参数优化、样本熵的断路器故障电弧检测方法，其特征在于：在步骤S3中还包括S3.1，具体的为根据样本熵方法得到各模态分量的特征向量，将不同故障原因下求取的多组故障电弧样本数据作为训练组代入SVM中进行训练。

9.根据权利要求8所述的基于VMD参数优化、样本熵的断路器故障电弧检测方法，其特征在于：在步骤S3中还包括S3.2，具体的为将智能断路器检测到的故障电弧信号分解得到的特征向量与电网正常运行状态下的电流信号特征向量对比，得到故障电弧信号特征量的变化趋势。

10.根据权利要求9所述的基于VMD参数优化、样本熵的断路器故障电弧检测方法，其特征在于：在步骤S3中还包括S3.3，具体的为将上述步骤提取的电弧信号特征向量与正常状态下的相对比，判断其是否出现异常。

Images